字节跳动SRE AI高级工程师-基础架构
任职要求
1、本科及以上学历，计算机相关专业或具备同等实践经验，拥有五年以上SRE工作经验； 2、熟悉GPU/XPU资源管理和调度，具备大规模高性能计算集群的管理经验； 3、具备深厚的计算机系统基础知识，了解操作系统、存储和网络IO等相关原理； 4、具备以下一项或多项软件开发经验：Go/Python/Java/C++等，能够编写高效、稳定的系统工具和自动化脚本； 5、有丰富的生产环境故障排查和性能调优经验，能够快速定位和解决问题；熟悉AI大模型训练框架（如TensorFlow、PyTorch等），了解大规模分布式训练的实现细节和优化方…
工作职责
1、负责海量高性能GPU/XPU卡的资源交付与一致性保障，涵盖万卡大模型训练、在线推理、在线搜索、推荐训练等不同业务场景的集群管理； 2、学习并深入了解GPU业务方的使用姿势和训练框架，掌握前沿AI大模型技术，解决超大规模场景下的稳定性挑战，涉及NvidiaH100、A100、昇腾、以及自研XPU等高性能卡型的使用； 3、构建自动化工程，确保生产环境的稳定性和资源在线率，及时发现并隔离故障GPU资源，提高资源流转效率； 4、通过优秀的工程架构设计，参与生产集群和服务的整个生命周期，满足可持续发展的需求并提高系统稳定性，包括架构规划、评审、设计、部署和上线等环节。
1、负责海量高性能GPU/XPU卡的资源交付与一致性保障，涵盖万卡大模型训练、在线推理、在线搜索、推荐训练等不同业务场景的集群管理； 2、学习并深入了解GPU业务方的使用姿势和训练框架，掌握前沿AI大模型技术，解决超大规模场景下的稳定性挑战，涉及NvidiaH100、A100、昇腾、以及自研XPU等高性能卡型的使用； 3、构建自动化工程，确保生产环境的稳定性和资源在线率，及时发现并隔离故障GPU资源，提高资源流转效率； 4、通过优秀的工程架构设计，参与生产集群和服务的整个生命周期，满足可持续发展的需求并提高系统稳定性，包括架构规划、评审、设计、部署和上线等环节。
1、负责海量高性能GPU/XPU卡的资源交付与一致性保障，涵盖万卡大模型训练、在线推理、在线搜索、推荐训练等不同业务场景的集群管理； 2、学习并深入了解GPU业务方的使用姿势和训练框架，掌握前沿AI大模型技术，解决超大规模场景下的稳定性挑战，涉及NvidiaH100、A100、昇腾、以及自研XPU等高性能卡型的使用； 3、构建自动化工程，确保生产环境的稳定性和资源在线率，及时发现并隔离故障GPU资源，提高资源流转效率； 4、通过优秀的工程架构设计，参与生产集群和服务的整个生命周期，满足可持续发展的需求并提高系统稳定性，包括架构规划、评审、设计、部署和上线等环节。
阿里云ApsaraMQ是行业一流的Serverless消息云服务，为客户提供一站式多场景的业界主流消息服务（包括Apache RocketMQ、Apache Kafka、RabbitMQ、MQTT、MNS、EventBridge），具备10倍成本优化、10倍弹性能力、异地多活、丰富集成生态等产品优势。目前AI时代已来，我们正在引领新一代AI MQ技术，为AI Agent提供事件驱动架构基础设施和实时AI Context服务，覆盖AI原生应用架构和一站式Agentic数据分析的场景。 1.负责阿里云消息云服务AI MQ、Data+AI等特性研发，拓展消息、事件流在AI场景的落地规模； 2.负责阿里云消息云服务稳定性建设，为AI Agent提供坚实、可靠的通信、数据流技术底座； 3.负责阿里云消息技术性能优化、成本优化，持续降低Agent通信的延迟和成本； 4.负责阿里云消息运维平台建设，基于大模型构建SRE Agent持续提升产研效率； 5.负责Apache RocketMQ技术竞争力建设和开源社区运营，打造AI MQ心智，持续扩大开发者规模。
1. 负责理想汽车AI平台RDMA网络下大规模GPU集群和并行高速存储的运维工作，为业务平台的可用性负责 2. 调查解决大规模GPU集群管理和大规模AI训练情况下遇到的各种系统/稳定性问题，打造自动化，稳定，易于运维的高速网络和超算集群 3. 深入理解业务,推动AI平台在K8S多集群架构、监控平台、日志等方向的云原生架构演进并落地解决方案 4. 持续建设AI平台运维体系、在稳定性建设、故障定位、资源运营等方向，推动运维工作自动化、工程化